Jaringan Saraf Tiruan Pengenalan Pola Huruf Sistem Matriks dengan Algoritma Hebb Rule
Yendrizal
Teknik Komputer, Akademi Manajemen Informatika dan Komputer, Solok, Indonesia Email: [email protected]
Email Penulis Korespondensi: [email protected] Submitted 23-10-2022; Accepted 30-10-2022; Published 31-10-2022
Abstrak
Ilmu kecerdasan buatan saat ini sangat berkembang, Hal ini dapat dilihat dari pengembangan pola dan karakter dari ilmu kecerdasan buatan. Hal ini bermula dari kebutuhan dalam menjaga keamanan dan informasi berhubungan data sehingga dapat disesulaikan dengan kunci kerahasiaan berupa pengenalan kunci pola dan karakter. Pengenalan pola terdiri dari berbagai macam seperti Pola pengenalan wajah dan pola sidik jari. Permasalahan pada penelitian ini kurangnya pemahaman dalam menjaga kerahasiaan data sehinggan manfaat penelitian ini mampu menjaga kerahasiaan data dengan menggunakan pola matriks. Penelitian ini menggunakan metode Hebb rule untuk memperoleh hasil akhir. Variabel matriks yang digunakan dari x1 sampai x25 input dan bias 1 dengan nilai bobot awal 0, pola Wdan M di inisialisasi dengan karakter x bernilai 1 dan karakter o bernilai -1 dengan output bipolar, U tareget 1 dan S target -1, fungsi f(net) adalah 1 jika Y >= 0 dan -1 jika Y < 0. Hasil akhir setelah dilakukan proses pencarian diperoleh nilai W =8 dan M=-8 yang menghasilkan output sama dengan target dan dapat dikenali.
Kata Kunci: Artificial Intelegence; Jaringan Saraf Tiruan; Hebb; Sigmoid Bipolar; Pengenalan Pola Abstract
The science of artificial intelligence is currently very developed, this can be seen from the development of patterns and characters of artificial intelligence. This stems from the need to maintain security and information related to data so that it can be adjusted with a confidentiality key in the form of pattern and character lock recognition. Pattern recognition consists of various kinds such as facial recognition patterns and fingerprint patterns. The problem in this study is the lack of understanding in maintaining data confidentiality so that the benefits of this research are able to maintain data confidentiality by using a matrix pattern. This study uses the Hebb rule method to obtain the final results. The matrix variable used is from x1 to x25 input and bias 1 with initial weight value 0, W and M patterns are initialized with character x worth 1 and character o worth -1 with bipolar output, U target 1 and S target -1, function f( net) is 1 if Y >= 0 and -1 if Y < 0. The final result after the search process is obtained the value W = -8 and M=-8which produces the same output as the target and can be recognized.
Keywords: Artificial Intelligence; Artificial Neural Networks; Hebb; Bipolar Sigmoid; Pattern recognition
1. PENDAHULUAN
Dalam ilmu komputer, khususnya di bidang kecerdasan buatan, dikenal sebuah metode yang disebut dengan jaringan saraf tiruan. Jaringan saraf tiruan merupakan suatu paradigma pemrosesan informasi yang mengambil permodelan dari cara kerja jaringan saraf biologi dalam memroses informasi. Latar belakang perkembangan jaringan saraf tiruan didasari oleh keinginan agar komputer mampu menirukan kemampuan manusia dalam memroses informasi. Jaringan saraf tiruan telah terbukti mampu untuk menyelesaikan berbagai masalah yang mengandung ketidak pastian di dalamnya, yang biasanya hanya bisa diselesaikan oleh manusia. Beberapa masalah tersebut antara lain adalah peramalan, pengenalan wajah,pengenalan tulisan tangan, dan pengenalan suara.Masalah-masalah ini tidak dapat diselesaikan oleh metode- metode perhitungan pada umumnya. Dapat dikatakan bahwa jaringan saraf tiruan merupakan salah satu paradigma pemrosesan informasi yang paling mendekati kemampuan pemrosesan informasi manusia [1]. Kemajuan teknologi komputer juga berperan penting dalam memberikan dukungan kepada setiap insan untuk menyelesaikan berbagai macam permasalahan, salah satu bagian dari bidang ilmu komputer adalah Jaringan Saraf Tiruan (Artificial Neural Networks) yang merupakanbagian dari ilmu kecerdasan buatanatau Artificial intelegence yang sudah banyak digunakan untuk menyelesaikan berbagai macam masalah yang berhubungan dengan prediksi atau peramalan [2]. Jaringan saraf tiruan adalah sebuah alat pemodelan data numerik non-linier yang terinspirasi dari jaringan saraf biologis seperti otak manusia.
Jaringan saraf akan memiliki satu set neuron buatan yang terhubung dan memproses informasi menggunakan bentuk penghubung ke komputasi. Jaringan saraf tiruan banyak digunakan untuk memodelkan hubungan canggih antara input dan output atau untuk mengungkap pola dalam data berdasarkan informasi eksternal atau internal yang berjalan melalui jaringan selama proses pembelajaran [3]. Ada beberapa metode yang dapat digunakan untuk melakukan analisa dengan jaringan saraf tiruan yaitu metode Hebb, Perceptron, dan Backpropagation [4][5]. Elemen kunci dari dari paradigma ini adalah suatu struktur baru dari sistem pengolahan informasi. Hal ini terdiri dari sejumlah besar elemenelemen pemrosesan yang saling berubungan (neuron) dan saling bekerjasama untuk pemecahan masalah-masalah tertentu [6]. Jaringan saraf tiruan merupakan sebuah model matematika, yang terdiri atas input layer, hidden layer, dan output layer [7]. Jaringan Saraf Tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan atas asumsi sebagai berikut:
a. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
b. Sinyal mengalir diantara sel saraf / neuron melalui suatu sambungan penghubung.
c. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan / mengalikan sinyal yang dikirim melaluinya.
d. Setiap sel saraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan sinyal keluarannya [8] [9].
Jaringan Saraf Tiruan (JST) merupakan paradigma yang memproses informasi yang diilhami oleh struktur dan aspek fungsional pada jaringan saraf biologis, yang menyerupai otak dalam memproses informasi [10]. Jaringan Saraf Tiruan merupakan pemodelan data yang kuat yang mampu menangkap dan mewakili hubungan Input-Output yang komplek, beberapa masalah relatif mudah digunakan, ketahanan untuk mengimput data kecepatn untuk eksekusi, dan menginisialisasikan sistem yang rumit [11]. Jaringan saraf tiruan dicirikan oleh 3 hal diantaranya [12]:
a. Pola hubungan antar saraf (Asitektur);
b. Metode Penentuan Bobot;
c. Aktivasi.
Fungsi Pengenalan pola merupakan langkahperantaraan bagi proses menghilangkan dan menormalkan gambar dalam satu cara (pemrosesan gambar (image processing), teks dll.), pengiraan ciri-ciri, pengkelasandan akhirnya post- pemrosesan berdasarkankelas pengenalan dan aras keyakinan.Pengenalan pola berkaitan dengan langkah pengklasifikasian. Dalam kasus tertentu, sebagaimana dalam jaringan saraf (neural networks), pemilihan ciri-ciri danpengambilan juga boleh dilaksanakan secarasemi otomatis atau otomatis sepenuhnya [13].
2. METODOLOGI PENELITIAN
Metode [14] Hebb rule dikembangkan oleh Donald Hebb untuk jenis pelatihan supervised. Hebb rule merupakan metode pembelajaran dalam supervised yang paling sederhana, karena pada metode ini pembelajaran dilakukan dengan cara memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung, dan keduanya pada kondisi hidup (on) pada saat yang sama, maka bobot antara kedua dinaikkan. Apabila data dipresentasikan secara bipolar, maka perbaikan bobotnya dapat dilihat pada persamaan 1 :
wi (baru) = wi (lama) + xi * y (2) (1)
Keterangan:
wi : bobot data input ke-i;
xi : input data ke-i;
y : output data.
Metode [15]Hebb rule juga merupakan aturan pelatihan yang paling awal dan paling sederhana untuk jaringan saraf tiruan secara umum. Pada aturan hebbian ini pelatihan yang terjadi yaitu dengan memodifikasi kekuatan sinapsis (bobot). Jika data ditunjukkan dalam bentuk bipolar, ini mudah untuk menyatakan pembaharuan bobot yang diinginkan sehingga persamaan bobot:
Wi(baru) = Wi(lama) +xiy (2)
Perbaikan bias
b(baru) = b(lama) +y (3)
Minutine dan artificial neural network juga merupakan salah satu metode pengenalan pola sidik jari yang bermanfaat pada pengenalan identitas manusia [16]. Jika data ditunjukkan dalam bentuk bipolar, ini mudah untuk menyatakan pembaharuan bobot yang diinginkan sehingga:
wi(new) = wi(old) + xi y (4)
Jika data adalah biner, formula ini tidak membedakan antara pasangan pelatihan di mana unit input adalah “on”
dan nilai target adalah “off” dan pasangan pelatihan yang mana antara unit input dan nilai target adalah “off”. Berikut ini adalah arsitektur hebb[17].
Gambar 1. Arsitektur Hebb.
Fungsi aktivasi kedua adalah sigmoid bipolar yang memiliki jangkauan nilai [-1,1] dan didefinisikan sebagai:
Gambar 2. Fungsi aktivasi sigmoid bipolar
Jika tahapan fungsi aktivasi digunakan (keluaran sel saraf = 0 jika masukan < 0 dan 1 jikamasukan >= 0) maka tindakan sel saraf tiruan sama dengan sel saraf biologi yang dijelaskandiatas (pengurangan nilai batas ambang dari jumlah bobot dan membandingkannya dengan 0adalah sama dengan membandingkan jumlah bobot dengan nilai batas ambang) [18]. Biasanya tahapan fungsi jarang digunakan dalam Jaringan Saraf Tiruan. Fungsi aktivasi (f(n)) dapat dilihat pada gambar 3
Gambar 3. Fungsi Aktivasi
Berikut adalah desain Penelitian ini menggambarkan proses kerja peneliti dalam menyelesaikan masalah pengenalan pola menggunakan Algoritma Hebb Rude, Proses kerja diantaranya:
Gambar 4. Desain Penelitian
3. HASIL DAN PEMBAHASAN
Proses penyelesaian pengenalan Pola Wdan M menggunakan representasi data bipolar. Karakter pengenalan Pola diberi nilai =1 dan 0 diberi nilai =-1, setiap pola tersusun oleh matriks berukuran 5x5=25. Berarti Algoritma Hebb Rule terdiri dari 25 Inputan, Dibawah Ini merupakan Gambar matriks inputan 25.
3.1 Pengenalan Pola
Dibawah ini merupakan Pola yang akan diproses
Gambar 5. Pola Huruf W dan M
Selanjutnya diubah kedalam representasi nilai bipolar, X = 1 dan O = -1. Dapat dilihat pada gambar dibawah ini:
a. Pola W
Gambar 6. Representasi Nilai Bipolar Pola Huruf W b. Pola M
Gambar 7. Representasi Nilai Bipolar Pola Huruf M
Dibawah ini merupakan hasil kombinasi pola Wdan M yang di inputkan kedalam matriks 25:
Gambar 8. Hasil Kombinasi Pola Wdan M 3.2 Inisialisasi Bobot Bias
w1=w2=w3=w4=w5=w6=w7=w8=w9=w10=w11=w12=w13=w14=w15=w16=w17=w18=w19=w20=w21=w22=w23=
w24=w25=0 dan Bias=0 Pola ke-1:
Perubahan Bobot dan Bias untuk Pola ke-1.
Tabel 1. Perubahan Bobat dan Bias
w1(baru)=w1(lama)+x1*y=0+1.1=1 W6 (baru)=w6(lama)+x6*y= 0+1.1=1 W2(baru)=w2(lama)+x2*y=0+(-1).1=-1 W7(baru)=w7(lama)+x7*y= 0+(-1).1=-1 W3(baru)=w3(lama)+x4*y= 0+1.1=1 W8(baru)=w8(lama)+x8*y= 0+1.1=1 W4(baru)=w4(lama)+x4*y=0+(-1).1=-1 W9(baru)=w9(lama)+x9*y= 0+(-1).1=-1 W5(baru)=w5(lama)+x5*y=0+1.1=1 W10(baru)=w10(lama)+x10*y= 0+1.1=1 w1(baru)=w1(lama)+x1*y= 0+1.1=1 W6 (baru)=w6(lama)+x6*y= 0+1.1=1
Lanjut 11-25 B(baru)= b(lama)+y=0+1=1
Pola ke-2:
Perubahan Bobot dan Bias untuk Pola ke-2.
Tabel 2. Perubahan Bobat dan Bias
w1(baru)=w1(lama)+x1*y= 1+1*(-1)=0 W6 (baru)=w6(lama)+x6*y= 1+1.(-1)=0 W2(baru)=w2(lama)+x2*y= (-1)+(-1).(-1)=0 W7(baru)=w7(lama)+x7*y= -1+1.(-1)=-2
W3(baru)=w3(lama)+x4*y= 1+(-1).(-1)=2 W8(baru)=w8(lama)+x8*y=1+(-1).(-1)=2 W4(baru)=w4(lama)+x4*y= (-1)+(-1).(-1)=0 W9(baru)=w9(lama)+x9*y=1+(-1).(-1)=2 W5(baru)=w5(lama)+x5*y= 1+1*(-1)=0 W10(baru)=w10(lama)+x10*y= 1+1*(-1)=0
Lanjut 11-25 B(baru)= b(lama)+y=0+1=1
3.3 Pembuatan pola bobot jaringan saraf tiruan
Langkah pertama yang dilakukan adalah malakukan perhitungan nilai bobot pada pola W dan M agar membentuk pola jaringan. Bentuk perhitungan melakukan perhitungan matriks dengan variable input yang terdiri dari 25 input.
Gambar 9. Hasil Perhitungan Nilai Bobot Pada Pola Huruf W
Setelah melakukan perhitungan nilai bobot maka Langkah selanjutnya membuat nilai persamaan agar output menhasilkan nilai 1 dan -1.
Gambar 10. Nilai Persamaan Pada Pola Huruf W Diperoleh nilai
x=w1=0, w2=0, w3=2, w4=0, w5=0, w6=0, w7=-2, w8=2, w9=0, w10=0, w11=0, w12=0, w13=0, w14=0, w15=0, w16=0, w17=0,w18=2,w19=0, w20=0, w21=0, w22=0, w23=0, w24=0, w25=0 dan Bias=0
Nilai nilai yang dipakai untuk menguji seluruh data masukkan , hasilnya adalah a. Pola ke-1
Net =0.1+0.(-1)+2.1+0.(-1)+0.1+0.1+-2.(-1)+2.1+0.(-1)+0.1+0.1+0.(-1)+0.1+0.(- =1)+0.1+0.1+0.(-1)+2.1+
0.(-1)+0.1+0.1+0.1+0.1+0.1+0.1 = 8 f(8)=1 (Sama dengan Target)
b. Pola ke-2
Net = 0.1+0.(-1)+2.-1+0.(-1)+0.1+0.1+-2.(1)+2.-1+0.(-1)+0.1+0.1+0.(-1)+0.1+0.(-=1)+0.1+0.1+0.(-1)+2.-1+
0.(-1)+0.1+0.1+0.1+0.1+0.1+0.1 = -8 f(-8)=-1 (Sama dengan Target)
Hasil W adalah 8 sehingga f(net) = 1 sesuai dengan target M adalah -1 maka di kenali oleh jaringan.
Tabel 3. Hasil Pengenalan Pola
b y net Huruf
0 8 1 Pola dikenali W
0 -8 -1 Pola dikenali M
Dari Proses pencarian Pola Wdan M Dapat di dinyatakan bahwa kedua Pola tersebut mempunyai keluaran jaringan target yang diinginkan. Sehingga jaringan ini mampu mengenali pola dengan baik.
4. KESIMPULAN
Kesimpulan Akhir yang diperoleh dari Analisa dan proses pada jaringan saraf tiruan menggunkan algoritma Hebb Rule diantaranya, Penerapan Algoritma metode Hebb Rule dapat mengenali pola pada huruf W dan M menggunakan konsep matriks x25 dengan nilai net 8 dan -8. Jaringan Saraf Tiruan mampu mengenali pola menggunakan 2 Karakter Huruf berbentuk pola jaringan Aplikasi jaringan saraf tiruan untuk mempermudah mengetahui hasil yang lebih akurat diperlukan learning base dan pengujian yang memerlukan penambahan pengetahuan untuk menghitung pola baru agar pola mempunyai nilai ke akuratan 90% untuk memperoleh nilai hasil akhir. Diharapkan untuk penelitian Selanjutnya harus
menambahkan pola pengenalan karakter lebih detail lagi, agar hasil inputan memiliki nilai 100% benar sehingga bisa di uji secara jelas dan mudah.
REFERENCES
[1] M. I. Ukkas, A. H. Kridalaksana, and T. W. Cenggoro, “Pengenalan Pola Perilaku Seorang Manusia Dalam Permainan Suten Menggunakan Metode Jaringan Saraf Tiruan Propagasi Balik,” Sebatik, vol. 12, no. 1, pp. 1–8, 2018, doi:
10.46984/sebatik.v12i1.63.
[2] L. Lhaura Van FC, F. Fajrizal, and L. Lisnawita, “Implementasi Jaringan Saraf Tiruan untuk Menentukan Kepribadian Mahasiswa Menggunakan Algoritma Perceptron,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, vol. 11, no. 1, pp.
144–158, 2020, doi: 10.31849/digitalzone.v11i1.4019.
[3] L. S. Rini, O. T. Karya, and F. Sirait, “Implementasi Jaringan Saraf Tiruan Pada Pendeteksi Keaslian Dan Nominal Uang,” Jurnal Teknologi Elektro, vol. 12, no. 2, p. 65, 2021, doi: 10.22441/jte.2021.v12i2.004.
[4] I. Ramadhani, S. H. Pratiwi, and A. N. Handayani, “Analisis Jaringan Saraf Tiruan Pengenalan Pola Huruf Hiragana dengan Model Jaringan Perceptron,” Jurnal Ilmiah Teknologi Informasi Asia, vol. 11, no. 1, p. 45, 2017, doi: 10.32815/jitika.v11i1.41.
[5] P. Alkhairi, L. P. Purba, A. Eryzha, A. P. Windarto, and A. Wanto, “The Analysis of the ELECTREE II Algorithm in Determining the Doubts of the Community Doing Business Online,” Journal of Physics: Conference Series, vol. 1255, no. 1, 2019, doi:
10.1088/1742-6596/1255/1/012010.
[6] M. F. Mubarokh, M. Nasir, and D. Komalasari, “Jaringan Saraf Tiruan Untuk Memprediksi Penjualan Pakaian Menggunakan Algoritma Backpropagation,” Journal of Computer and Information Systems Ampera, vol. 1, no. 1, pp. 29–43, 2020, doi:
10.51519/journalcisa.v1i1.3.
[7] I. G. N. L. Wijayakusuma and N. K. Emik Sapitri, “Penerapan Jaringan Saraf Tiruan Dalam Pembentukan Model Peramalan Angka Melek Huruf di Kabupaten Karangasem,” Jurnal Matematika, vol. 10, no. 1, p. 11, 2020, doi:
10.24843/jmat.2020.v10.i01.p119.
[8] N. Feri Rahmadani, Akim M.H. Pardede, “Jaringan Saraf Tiruan Prediksi Jumlah Pengiriman Barang Menggunakan Metode Backpropagation ( Studi Kasus : Kantor Pos Binjai ),” Jtik (Jurnal Teknik Informatika Kaputama), vol. 5, no. 1, pp. 100–106, 2021.
[9] E. D. Manurung, B. Nadeak, and E. Ndruru, “Implementasi Algoritma Hebb Rule Pada Diagnosa Penyakit Kolik Abdomen Pada Orang Dewasa,” JURIKOM (Jurnal Riset Komputer), vol. 7, no. 2, p. 250, 2020, doi: 10.30865/jurikom.v7i2.2086.
[10] A. Fadlil, I. Riadi, and A. Nugrahantoro, “Kombinasi Sinkronisasi Jaringan Saraf Tiruan dan Vigenere Cipher untuk Optimasi Keamanan Informasi,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, vol. 11, no. 1, pp. 81–95, 2020, doi:
10.31849/digitalzone.v11i1.3945.
[11] A. Sudarsono, “Jaringan Saraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode Bacpropagation (Studi Kasus Di Kota Bengkulu),” Jurnal Media Infotama, vol. 12, no. 1, pp. 61–69, 2016, doi: 10.37676/jmi.v12i1.273.
[12] S. Winardi and H. Hamzah, “Penerapan Metode Jaringan Saraf Tiruan Backpropagation Dalam Pengenalan Pola Aksara Hanacaraka,” Respati, vol. 9, no. 27, 2017, doi: 10.35842/jtir.v9i27.80.
[13] H. Masrani, I. Ruslianto, and Ilhamsyah, “Aplikasi Pengenalan Pola Pada Huruf Tulisan Tangan Menggunakan Jaringan Saraf Tiruan Dengan Metode Ekstraksi Fitur Geometri,” Coding, Sistem Komputer Untan, vol. 06, no. 02, pp. 69–78, 2018.
[14] M. Nasir, Amri, and I. Maulina, “Pengenalan Aksara Isyarat Menggunakan Metode Hebb Rule,” Jurnal Infomedia, vol. 4, no. 1, pp. 28–32, 2019.
[15] F. Yanti and J. Sutrisna, “Perbandingan Saham Hang Seng dan Nikkei Menggunakan Algoritma Hebbian,” Jurnal Informatika Universitas Pamulang, vol. 2, no. 1, p. 7, 2017, doi: 10.32493/informatika.v2i1.1499.
[16] N. Yanti, F. Z. Rachman, N. Jamal, and E. Purwanto, “Artificial Neural Network for Recognition,” vol. 5, no. 5, pp. 597–604, 2018, doi: 10.25126/jtiik2018551032.
[17] R. Muliono and J. Hakim Lubis, “Jaringan Saraf Tiruan Pengenalan Pola Huruf Dengan Jaringan Habb,” JTIK(Jurnal Teknik Informatika Kaputama), vol. 2, no. 1, pp. 46–50, 2018.
[18] Y. Pangaribuan and M. Sagala, “Menerapkan Jaringan Saraf Tiruan untuk Mengenali Pola Huruf Menggunakan Metode Perceptron,” Jurnal Teknik Informatika UNIKA Santo Thomas, vol. 2, no. 479, pp. 53–59, 2017.
